CN113537622B - 基于动态信任感知的服务偏好预测方法及系统 - Google Patents
基于动态信任感知的服务偏好预测方法及系统 Download PDFInfo
- Publication number
- CN113537622B CN113537622B CN202110872246.8A CN202110872246A CN113537622B CN 113537622 B CN113537622 B CN 113537622B CN 202110872246 A CN202110872246 A CN 202110872246A CN 113537622 B CN113537622 B CN 113537622B
- Authority
- CN
- China
- Prior art keywords
- preference
- dynamic
- individual
- trust
- evolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种基于动态信任感知的服务偏好预测方法及系统,包括:获取消费群体对服务的评分数据并进行相应预处理;利用基于动态信任感知的偏好演化模型对当前服务的消费群体进行偏好演化,实现消费群体内个体间的偏好交互;基于偏好演化结果,获得消费群体对当前服务的偏好预测结果;其中,所述基于动态信任感知的偏好演化模型在有界置信模型的基础上,采用异构有界置信阈值来判断个体之间是否发生交互,且引入了动态异构交互偏好接受度算子,用于个体对交互对象偏好影响的接受程度的建模;同时,引入动态异构信任度,用于对个体偏好表达的诚实程度进行建模。
Description
技术领域
本公开属于服务偏好预测技术领域,尤其涉及一种基于动态信任感知的服务偏好预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
在社会生活中,人们往往对社会、经济、政治等公共问题和事情具有不同的偏好,而且这种偏好会在个体的交互中彼此影响。近年来,随着互联网技术的快速发展,人们可以通过网络等通讯工具便捷地交流各自对政策、社会服务、新型商品的偏好,形成社会舆论。当前,在发布重大社会政策、发行新商品新服务等重要的社会活动,都需要正确及时地预测大众对该活动或服务的偏好,从而为政策制定、策略调整提供重要的指导。因此,针对人类群体对公共政策、社会服务的偏好演化进行研究,把握社会群体对公共问题和服务的兴趣,具有重要的理论与应用价值。
社会群体的偏好因受环境因素和社交对象的影响而不断地演化,研究并建立符合个体偏好变化规律的演化模型是当前亟需解决的重要问题。有界置信模型(BoundedConfidence Model,BCM)是舆论动力学中对偏好演化进行建模的重要工具,在多个领域得到了成功的应用。有界置信模型通常假设个体偏好等于所有与之交流个体偏好的平均值以及所有个体会诚实地表达他们的偏好。然而,在现实生活中,上述设置和假设并不完全成立。首先,个体在进行交流时,通常以不同的程度保留其原有的偏好;再则,个体对于不同的交互对象会表达出不同的偏好。上述矛盾给有界置信模型的理论和应用研究带来了一定的挑战。本公开将上述矛盾归结为以下两个问题:个体对交互对象偏好影响的接受度问题和个体偏好表达的诚实度问题。
近年来,国内外学者对有界置信模型进行了改进,提出了多个基于有界置信模型的各种应用场景的偏好演化改进模型,比如:交互欺骗与异构信任感知的偏好演化模型,动态自适应网络中有界信任舆论演化算法,基于有界信任模型的地铁突发事件信息传播,各种基于社会网络的动态意见模型,噪音有界置信模型,基于共识达成的有界置信模型,基于不同交流机制的有界置信模型以及其他扩展模型。其中,最具有代表性的是由Dong等人提出的交互欺骗与异构信任感知的偏好演化模型。在该研究中,其认为个体通常不会诚实地表达他们的偏好,并且对不同的对象会表达出不同的偏好,据此将个体偏好划分为真实偏好、交流表达偏好、公开表达偏好以及个体对其他个体的估计偏好;同时,该研究工作引入了异构信任度并将其作为上述四种偏好演化的重要指标,其对于个体偏好的分类和信任度的设定,很好地体现了个体间信任的异构性,反应了信任度对偏好演化的影响。但是,发明人发现,该研究工作将信任度设置为静态的预设值,没有考虑信任度的动态性,导致在模型的演化中,信任度可能会出现较大偏差,从而影响到偏好演化的准确性。Fu等人将个体划分为开放思想群体、温和思想群体和封闭思想群体,并以此改进了偏好演化模型,在模型中引入了个体保守度因子。但是,该研究工作虽然在一定程度上解决了如何建模个体对交互对象偏好影响的接受程度问题,但是该模型忽略了个体接受度的动态性,影响了模型的有效性。
发明内容
本公开为了解决上述问题,提供了一种基于动态信任感知的服务偏好预测方法及系统,所述方案基于动态信任感知的偏好演化模型,有效提高了服务偏好预测的准确度。
根据本公开实施例的第一个方面,提供了一种基于动态信任感知的服务偏好预测方法,包括:
获取消费群体对服务的评分数据并进行相应预处理;
利用基于动态信任感知的偏好演化模型对当前服务的消费群体进行偏好演化,实现消费群体内个体间的偏好交互;基于偏好演化结果,获得消费群体对当前服务的偏好预测结果;
其中,所述基于动态信任感知的偏好演化模型在有界置信模型的基础上,采用异构有界置信阈值来判断个体之间是否发生交互,且引入了动态异构交互偏好接受度算子,用于个体对交互对象偏好影响的接受程度的建模;同时,引入动态异构信任度,用于对个体偏好表达的诚实程度进行建模。
进一步的,所述异构有界置信阈值具体为:设定异构有界置信阈值向量,向量中的每个元素表示某一个体到其他个体的有界置信阈值。
进一步的,所述动态异构交互偏好接受度的计算,具体为:确定动态异构交互偏好接受度与演化时间的映射关系,基于所述映射关系确定个体的接受度。
进一步的,所述动态异构交互偏好接受度算子,具体采用如下公式:
其中,paci∈(0,1]为控制个体Ai接受度降低速度的参数,t为时间,Aci(0)为动态异构交互偏好接受度初始值。
进一步的,所述动态异构信任度的计算,具体采用如下公式:
其中,cri表示临界值参数矩阵,元素criij∈[0,1]表示计算个体Ai与Aj之间信任度时的临界值参数,其与Ai的有界置信阈值εi结合使用充当信任度发生变化的临界条件值。
根据本公开实施例的第二个方面,提供了一种基于动态信任感知的服务偏好预测系统,包括:
数据获取单元,其用于获取消费群体对服务的评分数据并进行相应预处理;
偏好预测单元,其用于利用基于动态信任感知的偏好演化模型对当前服务的消费群体进行偏好演化,实现消费群体内个体间的偏好交互;基于偏好演化结果,获得消费群体对当前服务的偏好预测结果;
其中,所述基于动态信任感知的偏好演化模型在有界置信模型的基础上,采用异构有界置信阈值来判断个体之间是否发生交互,且引入了动态异构交互偏好接受度算子,用于个体对交互对象偏好影响的接受程度的建模;同时,引入动态异构信任度,用于对个体偏好表达的诚实程度进行建模。
根据本公开实施例的第三个方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现所述的一种基于动态信任感知的服务偏好预测方法。
根据本公开实施例的第四个方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的一种基于动态信任感知的服务偏好预测方法。
与现有技术相比,本公开的有益效果是:
本公开提供了一种基于动态信任度的用户偏好预测方法,所述方案采用一种动态信任感知的偏好演化模型,该模型引入了动态异质交互偏好接受度算子,以此度量个体对交互对象偏好影响的接受程度;提出了动态信任度算子,以此度量个体偏好表达的诚实程度;此外,该模型还将动态信任度作为影响偏好演化的重要因子,并通过公式建模偏好差距对信任度的影响。从而使得所述偏好演化模型能够遵循并反映个体偏好的演化规律;进而有效保证了用户偏好预测的准确度。
本公开附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例一中所述的有界置信阈值对演化步数的影响结果示意图;
图2为本公开实施例一中所述的有界置信阈值对最小偏好差的影响结果示意图;
图3为本公开实施例一中所述的信任度对演化步数的影响结果示意图;
图4为本公开实施例一中所述的信任度对最小偏好差的影响结果示意图;
图5为本公开实施例一中所述的偏好接受度对演化步数的影响结果示意图;
图6为本公开实施例一中所述的偏好接受度对最小偏好差的影响结果示意图;
图7为本公开实施例一中所述的基于动态信任感知的服务偏好预测方法流程图。
具体实施方式
下面结合附图与实施例对本公开做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本公开使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
理论基础介绍:
有界置信模型(Bounded Confidence Model,BCM)是一种广泛应用于探索公众偏好和社会行为的偏好演化模型。有界置信模型主要有两种,分别为Deffuant-Weisbuch(DW)模型与Hegselmann-Krause(HK)模型。这两种模型主要区别在于影响机制不同,对于DW模型,每次只有满足阈值要求的随机的两个个体之间会发生交互,进而影响个体偏好;对于HK模型,每次所有满足阈值要求的个体之间都会发生交互,进而影响个体偏好。HK模型的机制更适合现实中交互的实际。因此,本公开选择HK模型作为偏好演化研究模型的基础。下面分别介绍HK模型及其改进型模型。
(1)HK模型(The Hegselmann–Krause model)
HK模型中包括一系列的关于个体偏好、有界置信阈值、权重、个体偏好演化等的概念,下面给出这些概念的定义。
定义1.个体偏好
设A={A1,A2,...,AN}为一组个体,t为离散时间,x(t)=(x1(t),x2(t),...,xn(t))为t时刻每个个体的偏好值,其中xi(t)∈[0,1]表示个体Ai在t时刻的偏好;
定义2.有界置信阈值
有界置信阈值是个体之间发生交互所要满足的最大偏好差值。设ε为模型的有界置信阈值,I(Ai,X(t))={Aj||xi(t)-xj(t)|≤ε}表示Ai在t时刻满足阈值要求的其他个体的集合;
定义3.偏好演化权重
偏好演化权重表示个体之间赋予的偏好影响权重,设wij(t)为Ai赋给Aj的权重,其度量公式如(1)式所示:
其中,#I(Ai,X(t))表示I(Ai,X(t))中个体的数量。
定义4.个体偏好演化
设t时刻个体Ai的偏好为xi(t),xi(t+1)为t+1时刻个体的Ai偏好,则个体Ai的偏好演化公式如(2)式所示:
其中,Aj∈I(Ai,x(t))表示在t时刻满足阈值要求的其他个体的集合,Aj为集合中任意一个个体,wij(t)是表示Ai赋给Aj的偏好影响权重,xj(t)为t时刻个体Aj的偏好。
(2)交互欺骗与异构信任偏好演化模型
有界置信模型通常假设所有的个体会诚实地表达他们的偏好。而在现实生活中,个体通常会隐藏其真实偏好,并且会根据彼此的信任度对不同个体表达出不同的偏好。针对该问题,Dong等人提出了交互欺骗与异构信任感知的偏好演化模型。该研究工作基于HK模型将用户的偏好划分为四种,分别为:真实偏好、交流偏好、公开偏好和估计偏好。特别地,该研究工作引入了个体间的信任度概念,并将信任度作为表达偏好和度量偏好演化的重要因素,纳入了上述四种偏好的演化公式中。上述四种偏好定义如下:
定义5.真实偏好
现实中,个体常常隐藏自己的真实偏好,真实偏好只有个体本身知道。设xi(t)∈[0,1]为t时刻个体Ai(i=1,2,...,N)的真实偏好,并且只有Ai知道xi(t)。
定义6.交流偏好
现实中,每个个体对其他个体有不同的信任度,个体会根据不同的信任度向其他个体表达不同的偏好,该偏好被称为交流偏好。设zij(t)∈[0,1]为t时刻个体Ai向个体Aj表达的交流偏好,其中i=1,2,...,N,i!=j。Ai对Aj的信任程度越大,交流偏好zij(t)越接近于真实偏好xi(t),并且zij(t)只被Ai与Aj知道。
定义7.公开偏好
每个个体向所有个体表达的偏好被称为公开偏好。设yi(t)表示t时刻Ai的公开偏好,其中i=1,2,...,N,yi(t)等于交流偏好zij(t)的平均值,其度量公式如(3)式所示:
定义8.估计偏好
一个个体通常不知道其他个体的真实偏好,并且不能完全信任其他个体表达给他的交流偏好。因此,当收到其他个体表达的交流偏好时,个体会评估对方的真实偏好。对于任何个体Ai,Aj∈A,Ai会根据收到的公共偏好和交流偏好来估计Aj的真实偏好,设fij(t)为Ai对Aj的估计偏好,fij(t)的度量公式如(4)式所示:
fij(t)=aijzij(t)+(1-aij)yj(t)(i,j=1,2,...,N;i!=j) (4)
其中,αij∈[0,1]表示Ai对Aj的信任度,现有方法中,该信任度被设置为一个静态的值,并作为模型的参数在初始时给出。
实施例一:
本实施例的目的是提供一种基于动态信任感知的服务偏好预测方法。
一种基于动态信任感知的服务偏好预测方法,包括:
获取消费群体对服务的评分数据并进行相应预处理;
利用基于动态信任感知的偏好演化模型对当前服务的消费群体进行偏好演化,实现消费群体内个体间的偏好交互;基于偏好演化结果,获得消费群体对当前商品的偏好预测结果;
其中,所述基于动态信任感知的偏好演化模型在有界置信模型的基础上,采用异构有界置信阈值来判断个体之间是否发生交互,且引入了动态异构交互偏好接受度算子,用于个体对交互对象偏好影响的接受程度的建模;同时,引入动态异构信任度,用于对个体偏好表达的诚实程度进行建模。
其中,所述相应预处理具体为将获取的消费群体对服务的评分数据进行去噪(即去除异常点,如评分结果为空的数据),并进一步对评分数据进行归一化处理。
具体的,为了便于理解,以下结合附图对本公开所述方案进行详细说明:
目前,有界置信模型(Bounded Confidence Model,BCM)及其变体不能很好地解决交互个体偏好影响的接受度问题以及偏好表达的诚实度问题。为了解决这些问题,本公开在HK模型及Dong等人提出了交互欺骗与异构信任感知的偏好演化模型的基础上,提出了一种动态信任感知的偏好演化模型(Dynamic Trust-aware Preferences Evolution Model,DTPEM)。所述DTPEM引入了动态异构交互偏好接受度算子,用其建模个体对交互对象偏好影响的接受程度;提出了动态异构信任度,用其建模个体偏好表达的诚实程度;针对个体的四种偏好,结合动态异构交互偏好接受度和动态异构信任度,设计了新的偏好演化公式。本公开所提出的模型能够更好模拟现实生活用户偏好演化的真实过程,克服了有界置信模型及其变体存在的不足。以下对DTPEM模型的相关内容进行详细的介绍。
(一)异构有界置信阈值
有界置信阈值(The bounded confidence threshold)是HK模型中的重要参数。HK模型要求个体之间的偏好差只有在满足有界置信阈值时,个体之间才能发生交互。在已有的有界置信模型中,有界置信阈值通常被设置为一个应用于所有个体的静态参数,只有少部分模型中被设置为一系列的静态参数用于体现异质性,也即每个个体有自己的有界置信阈值。采用统一静态的有界置信阈值可以有效降低模型演化的复杂度,加快模型的收敛速度,能够降低模型的达到稳定的时间。然而,在实际生活中,个体之间有界置信阈值显然是不同的。因此,为了尽可能地遵循现实中生活中的实际情况,提高模型演化的准确度,本公开提出了异构有界置信阈值。设群体的异质有界置信阈值向量为ε,ε={ε1,ε2,ε3,...,εn},εi∈[0,1](1≤i≤n)表示个体Ai对于其他个体的有界置信阈值,所述异质有界置信阈值向量内的元素值是0-1之间的随机数;该向量的长度等于群体的个数,就是个体的总数;其中,向量第i个元素就是个体Ai的有界置信阈值。
(二)动态异构交互偏好接受度算子
HK模型及其变体通常假设个体在交流后,其偏好等于所有与之交流的个体偏好的平均值,也即是,在进行交流后,个体不保留其原有的偏好,全部接收其他个体的偏好的平均值作为自己的偏好。事实上,个体通常不会完全接受其他个体的偏好,而会保留自己的部分偏好;同时,由于个体的异质性,每个个体对其他个体表达的偏好的接受程度也不同;而且,个体对与之交流的个体的信任度也存在差异,导致其更倾向于接受信任度高的个体表达的偏好。因此,简单地取平均值的处理方式是不合理的。此外,在现实中,个体的偏好不可能由于与其他个体的交流而反复大幅波动;相反的,随着时间的推移,个体的偏好会逐渐趋于稳定,形成自己较为固定的偏好;因而,个体对其他个体偏好的接受程度会随着时间的推移而下降,这导致偏好接受度具有一定的动态性。虽然现有方法中通过引入个体开放性的概念来表示个体对其他个体偏好的接受程度,没有考虑接受程度的动态性异质性。
鉴于上述情况,为了更加有效地描述个体对交互对象偏好影响的接受程度以及接受程度的动态性、异质性,本公开提出了动态异质交互偏好接受度算子,并设计了动态异质交互偏好接受度同演化时间t关系的度量公式。设群体t时刻的动态异质交互偏好接受度向量为Ac(t),Ac(t)={Ac1(t),Ac2(t),Ac3(t),....Acn(t)},其中,Aci(t)∈[0,1]表示t时刻个体Ai对所有与之交流的个体的总的偏好影响接受度。接受度会随着时间t的增加而降低,Aci(t)的度量公式如(5)式所示:
其中,paci∈(0,1]为控制个体Ai接受度降低速度的参数,paci越大,个体Ai的接受度随时间t降低地越快,paci数值作为实验参数给出。0时刻向量Ac(0)中各元素Aci(0)作为实验参数给出。交互偏好接受度对偏好演化的影响在下文中真实偏好的演化中进行了详细说明。
(三)动态信任度算子
在现实生活中,个体之间的信任度对个体间偏好的影响传播具有较大的影响。当个体间的信任度较大时,则更容易接受对方偏好的影响;反之,受对方偏好的影响较小。本公开设定个体间之间的信任度主要受上个时间段个体之间偏好差距的影响。设dij(t)表示个体Ai认为的与Aj之间的偏好差距,其计算公式如式(6)所示:
dij(t)=|xi(t)-fij(t)| (6)
设信任度变化控制参数为pa,pa∈(1,+∞),控制个体Ai与Aj之间信任度的上升和下降速度,pa取值越大,则个体Ai与Aj之间信任度上升或下降越慢;pa的取值越小,则个体Ai与Aj之间信任度上升或下降越快;信任度aij(t+1)的计算公式如式(7)所示:
其中,cri表示临界值参数矩阵,元素criij∈[0,1]表示计算个体Ai与Aj之间信任度时的临界值参数,其与Ai的有界置信阈值εi结合使用充当信任度发生变化的临界条件值,当dij(t)>criij(1-εi)时,aij(t+1)则变小,变化幅度与dij(t)-criij(1-εi)成正比;当dij(t)<(1-criij)εi时,aij(t+1)则变大,变化幅度与(1-criij)εi-dij(t)成正比;当(1-criij)ε≤dij(t)≤criij(1-εi)时,aij(t+1)不会发生变化,即个体Ai对Aj会有一定的容忍度,偏好差距在一定范围内并不会立刻引起信任度的变化。起始时刻的信任度αij(0)作为实验参数给出,以后每个时间段t的信任度由上一个时间段t-1的信任度根据公式(7)计算得到,得出的信任度通过四类偏好的演化公式用于当前时间段t的个体偏好的计算。
(四)动态信任感知的偏好演化模型(DTPEM)
在DTPEM模型中,设A={A1,A2,...,AN}为一组个体,t为离散时间,x(t)=(x1(t),x2(t),...,xn(t))为t时刻各个个体的偏好值,其中xi(t)∈[0,1]表示个体Ai在t时刻的偏好。设I(Ai,X(t))={Aj||xi(t)-fij(t)|≤εij(t)}表示Ai在t时刻满足阈值要求的其他个体的集合。下面给出动态信任感知的真实偏好、交流偏好、公开偏好、估计偏好的演化公式。
1)真实偏好演化公式
设xi(t)∈[0,1]为t时刻Ai的真实偏好,并假设只有Ai知道xi(t)。真实偏好xi(t+1)的演化公式如式(8)所示:
xi(t+1)=(1-Aci(t))xi(t)+Aci(t)othxi(t) (8)
其中,Aci(t)表示t时刻Ai的偏好接受度,xi(t)表示t时刻Ai的真实偏好,othxi(t)表示t时刻所有与Ai交流的个体对Ai的总的偏好影响,其计算公式如(9)式所示:
其中,αij(t)表示t时刻Ai对Aj的信任度,fij(t)为t时刻Ai对Aj的估计偏好,I(Ai,X(t))表示个体Ai在t时刻满足阈值εi要求的其他个体的集合,#I(Ai,X(t))表示I(Ai,X(t))中个体的数量。由(9)式可知,αij(t)越大,fij(t)在othxi(t)中的比重越大,即Ai的越倾向于Aj的偏好表达。
2)交流偏好的演化公式
设zij(t)∈[0,1]为t时刻Ai向Aj表达的交流偏好,其中i=1,2,......,N并且i≠j,假设zij(t)只有Ai和Aj知道。交流偏好zij(t+1)演化公式如式(10)所示:
其中,αij(t)表示t时刻Ai对Aj的信任度,I(Ai,X(t))表示Ai在t时刻满足阈值εi要求的其他个体的集合。
3)公开偏好的演化公式
公开偏好yi(t+1)演化公式如式(11)所示:
其中,zji(t+1)为t+1时刻,Ai向Aj表达的交流偏好。
4)估计偏好的演化公式
估计偏好fij(t+1)的演化公式如式(12)所示:
fij(t+1)=αi(t+1)zji(t+1)+(1-αij(t+1))yj(t+1)i,j=1,2,...N;i≠j (12)
其中,aij(t+1)表示t+1时刻Ai对Aj的动态信任度,zji(t+1)为t+1时刻Ai向Aj表达的交流偏好,yj(t+1)是t+1时刻Ai的公开偏好。
进一步的,为了证明本公开所述方案的有效性,以下进行了具体实验进行证明:
本公开通过MATLAB对DTPEM模型进行了模拟仿真,从而验证新模型各参数对其性能的影响并对新模型的性能进行评估。
(1)性能评估指标
本实验采用演化步数与最小偏好差作为模型评估指标。演化步数(TheEvolutionary Steps.ES)是指模型中所有个体偏好达到稳定状态,即完成演化所需要执行的时间步数。比如,在某个离散的时刻t,所有个体的偏好都更新一次,到了离散的时刻t+1,所有个体的偏好再更新一次,此为1个时间步数,t+1表示下次所有个体偏好全部更新的时刻。演化步数用来表示模型完成演化的速度。在模拟中,设定时间步数从0开始,假如经历了时间步数ts1到达时刻t1,使每个个体同时满足|xi(t1+1)-xi(t1)|≤0.001,则我们认为ts1就是演化步数,即ES=ts1。
本公开借鉴标准差的定义,提出了偏好差,即在模型完成演化后,所有个体偏好与其实际偏好的差值的平方和的平方根。最小偏好差(The Minimum PreferenceDeviation.MPD)是一组偏好差中的最小值。该指标用来指示模型预测个体偏好演化的准确度。在实验中,MPD由公式(13)计算得到。
其中,xi'为个体Ai实际偏好。
(2)DTPEM模型重要参数的影响
通过Matlab模拟仿真验证DTPEM各重要参数对其性能的影响。同时为了便于比较DTPEM与原来的有界置信模型(BCM)的差别,本公开选择Dong等人提出了交互欺骗与异构信任感知的偏好演化模型(BCM),作为DTPEM模型的比较对象。下文中的BCM模型皆指交互欺骗与异构信任偏好演化模型。由于交互欺骗与异构信任偏好演化模型的主要参数为信任度α和有界置信阈值ε,因此,本公开在这两个参数上对两种模型的性能做比较,而在验证其他参数对模型的影响时,不对两种模型的性能做比较。
实验参数设定如下:各个个体的初始偏好和实际偏好均随机生成,个体数量N=30,有界置信阈值ε=0.5,信任度α=0.5,偏好接受度ac=0.5,偏好接受度控制变化参数pac=0.1,信任度变化临界参数cri=0.5,信任度控制变化参数pa=10。
1)有界置信阈值的影响
以演化步数ES和最小偏好差MPD为验证指标,有界置信阈值ε取值范围设置为0.01-1,每隔0.01取一个值,即运行100次。对于DTPEM,有界置信阈值的取值为0-ε范围内的一组随机值,对于BCM模型,有界置信阈值的取值为ε,为了平衡取值的随机性,ε每取一个值,模型就运行10次得出演化步数ES的平均值和偏好差值中的最小偏好差MPD作为当前ε对应的ES和MPD,并重复运行整个实验10次,保留ES和MPD的平均值,实验结果如图1、图2所示。
由图1可以看出,DTPEM模型的演化步数在ε=0.05附近达到高峰,之后逐渐下降,但整体上高出BCM模型。这是因为,DTPEM的有界置信阈值为一组不同的值,存在异构性,而BCM模型的有界置信阈值为统一值,DTPEM相较于BCM,参数更加复杂,收敛速度会稍微慢一些。由图2可以看出,DTPEM的最小偏好差变化幅度不大,随着有界置信阈值的提高,略微下降;虽然最后两个模型最小偏好差大体一样,但DTPEM模型整体上仍低于BCM模型。这是因为,DTPEM的有界置信阈值为一组不同的值,存在异构性,通过有界置信阈值的随机值调整,更容易取到合适的值,使最小偏好差较小。
2)信任度的影响
以演化步数ES和最小偏好差MPD为验证指标,信任度α取值范围设置为0.01-1,每隔0.01取一个值,即运行100次。对于两个模型,信任度的取值为0-α范围内的一组随机值,为了平衡取值的随机性,α每取一个值,模型就运行10次得出演化步数ES的平均值和偏好差值中的最小偏好差MPD作为当前α对应的ES和MPD,并重复运行整个实验10次,取ES和MPD的平均值作为实验数据,实验结果如图3、图4所示。
由图3可以看出,随着有界置信阈值的变化,DTPEM的稳定时间变化幅度不大,整体体上远低于BCM模型。这是因为DTPEM和BCM的信任度均采用矩阵形式,存在很强的异构性,在相同的异构性下,新模型的收敛速度高于BCM。由图4可以看出,随着信任度的变化,DTPEM的最小偏好差变化幅度不大,在信任度取0.75之前,DTPEM的最小偏好差低于BCM;在信任度取0.75之后,BCM模型的最小偏好差略低于DTPEM模型的最小偏好差,但DTPEM模型整体上仍低于BCM模型。这是因为,两个模型的信任度均采用矩阵形式,存在很强的异构性,通过信任度度的随机值调整,更容易取到合适的值,使最小偏好差较小。但是由于尽管DTPEM模型影响参数较多,虽然单独调控信任度使最小偏好差下降有限,但仍能取得相较于BCM模型更低的最小偏好差。
3)偏好接受度的影响
以演化步数ES和最小偏好差MPD为验证指标,偏好接受度ac取值范围设置为0.01-1,每隔0.01取一个值,即运行100次。偏好接受度的取值为0-ac范围内的一组随机值,为了平衡取值的随机性,ac每取一个值,模型就运行10次得出演化步数ES的平均值和偏好差值中的最小偏好差MPD作为当前ac对应的ES和MPD,并重复运行整个实验10次,取ES和MPD的平均值作为实验数值。由于BCM没有参数ac,故此实验没有对两个模型进行对比。实验结果如图5、图6所示。
由图5可以看出,随着偏好接受度的变化,DTPEM的稳定时间变化幅度不大,仅在0.05之前和0.95之后有一个较明显的上升趋势。说明偏好接受度的变化对模型的收敛速度影响不大,此时模型收敛速度比较稳定。由图6可以看出,随着偏好接受度的变化,DTPEM的最小偏好差变化幅度不大,呈现出不明显的下降趋势。该实验表明,偏好接受度的变化对模型的最小偏好差影响不大,此时模型演化的准确度比较稳定。
(3)模型性能验证
1)实验数据和参数
现实生活中,个体交际圈中个体的规模一般为数十人,因此,本实验设定个体的数量N=30;同时,随机生成10组数据(每组为N=30的向量数据)模拟个体的初始偏好值;随机生成另外10组同样大小的数据模拟个体的实际偏好值。本实验仍然采用演化步数ES和最小偏好差MPD为验证指标,实验参数设置如下:信任度α=0.5,偏好接受度ac=0.5,偏好接受度控制变化参数pac=0.1,信任度变化临界参数cri=0.5,信任度控制变化参数pa=10。
2)实验方法
本实验的目标是对比DTPEM和BCM的性能,因此需要先找到两种模型下使最小偏好差MPD为最小时的参数设置,然后根据此参数设置得出演化步数ES和最小偏好差MPD进行对比。为此实验程序如下:
a)根据参数的设置先分别找到两种模型下最小偏好差MPD最小时对应的有界置信阈值ε。
b)根据参数的设置和1)得到的ε分别找到两种模型下最小偏好差MPD最小时对应的α。
c)根据参数的设置和1)、2)得到的ε、α找到DTPEM下最小偏好差MPD最小时对应的ac。
d)根据参数设置和1)、2)、3)得到的ε、α、ac找到DTPEM下最小偏好差MPD最小时对应的pac。
e)根据参数设置和1)、2)、3)、4)得到的ε、α、ac、pac找到DTPEM下最小偏好差MPD最小时对应的cri。
f)根据1)、2)、3)、4)、5)得到的ε、α、ac、pac和cri找到DTPEM下最小偏好差MPD最小时对应的pa。
g)根据1)、2)、3)、4)、5)、6)得到的ε、α、ac、pac、cri和pa得到最小偏好差MPD和其对应的演化步数ES并输出。
h)根据4.3.1中的10组数据执行1)至7)步骤分别求出10组数据对应的最小偏好差MPD和演化步数ES并显示结果。
3)实验结果
通过Matlab执行上述实验后得到的实验结果如表1所示。由表1可以看出,在10组数据中,DTPEM模型的演化步数除第1组数据均高于BCM模型。这是因为,DTPEM的参数数量多于BCM模型,并且引入了一些动态和异构的因素,从而导致收敛速度相对较慢;而BCM参数仅有信任度和有界置信阈值,并且有界置信阈值是统一的数值,比较容易达到稳定状态,收敛速度比DTPEM模型快。在10组数据中,DTPEM的最小偏好差值均优于BCM模型的最小偏好差值。该实验结果表明,虽然DTPEM模型的演化过程需要较长的时间,但DTPEM模型的偏好演化效果较好。事实上,对用户偏好演化进行研究时,演化效果更为重要,用稍微较长的时间获得较好的演化效果是有意义的。
表1 DTPEM和BCM的性能指标对比
针对当前偏好演化模型存在的不足,结合现实生活的实际情况,在已有研究工作的基础上,本公开提出了一种动态信任感知的偏好演化模型(DTPEM)。并基于该模型解决了新兴商品在消费群体中的服务偏好预测问题,有效提高了服务偏好的预测精度。所述演化模型中引入了动态异质交互偏好接受度算子,以此度量个体对交互对象偏好影响的接受程度;提出了动态信任度算子,以此度量个体偏好表达的诚实程度;此外,该模型还将动态信任度作为影响偏好演化的重要因子,并通过公式建模偏好差距对信任度的影响。从而使得DTPEM模型能够遵循并反映个体偏好的演化规律。通过模拟仿真实验与现有的模型进行了比较分析,证明了本公开所提出模型在准确度上优于其他模型。
实施例二:
本实施例的目的是提供一种基于动态信任感知的服务偏好预测系统。
一种基于动态信任感知的服务偏好预测系统,包括:
数据获取单元,其用于获取消费群体对服务的评分数据并进行相应预处理;
偏好预测单元,其用于利用基于动态信任感知的偏好演化模型对当前服务的消费群体进行偏好演化,实现消费群体内个体间的偏好交互;基于偏好演化结果,获得消费群体对当前服务的偏好预测结果;
其中,所述基于动态信任感知的偏好演化模型在有界置信模型的基础上,采用异构有界置信阈值来判断个体之间是否发生交互,且引入了动态异构交互偏好接受度算子,用于个体对交互对象偏好影响的接受程度的建模;同时,引入动态异构信任度,用于对个体偏好表达的诚实程度进行建模。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例一中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一中所述的方法。
实施例一中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
上述实施例提供的一种基于动态信任感知的服务偏好预测方法及系统可以实现,具有广阔的应用前景。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (8)
1.一种基于动态信任感知的服务偏好预测方法,其特征在于,包括:
获取消费群体对服务的评分数据并进行相应预处理;
利用基于动态信任感知的偏好演化模型对当前服务的消费群体进行偏好演化,实现消费群体内个体间的偏好交互;基于偏好演化结果,获得消费群体对当前服务的偏好预测结果;
其中,所述基于动态信任感知的偏好演化模型在有界置信模型的基础上,采用异构有界置信阈值来判断个体之间是否发生交互,且引入了动态异构交互偏好接受度算子,用于个体对交互对象偏好影响的接受程度的建模;同时,引入动态异构信任度,用于对个体偏好表达的诚实程度进行建模;
所述动态异构交互偏好接受度算子,具体采用如下公式:
其中,paci∈(0,1]为控制个体Ai接受度降低速度的参数,t为时间,Aci(0)为动态异构交互偏好接受度初始值;
所述动态异构信任度的计算,具体采用如下公式:
其中,pa∈(1,+∞表示信任度变化控制参数,cri表示临界值参数矩阵,元素criij∈[0,1]表示计算个体Ai与Aj之间信任度时的临界值参数,其与Ai的有界置信阈值εi结合使用充当信任度发生变化的临界条件值;dij(t)表示个体Ai认为的与Aj之间的偏好差距。
2.如权利要求1所述的一种基于动态信任感知的服务偏好预测方法,其特征在于,所述异构有界置信阈值具体为:设定异构有界置信阈值向量,向量中的每个元素表示某一个体到其他个体的有界置信阈值。
3.如权利要求1所述的一种基于动态信任感知的服务偏好预测方法,其特征在于,所述动态异构交互偏好接受度的计算,具体为:确定动态异构交互偏好接受度与演化时间的映射关系,基于所述映射关系确定个体的接受度。
4.一种基于动态信任感知的服务偏好预测系统,其特征在于,包括:
数据获取单元,其用于获取消费群体对服务的评分数据并进行相应预处理;
偏好预测单元,其用于利用基于动态信任感知的偏好演化模型对当前商品的消费群体进行偏好演化,实现消费群体内个体间的偏好交互;基于偏好演化结果,获得消费群体对当前服务的偏好预测结果;
其中,所述基于动态信任感知的偏好演化模型在有界置信模型的基础上,采用异构有界置信阈值来判断个体之间是否发生交互,且引入了动态异构交互偏好接受度算子,用于个体对交互对象偏好影响的接受程度的建模;同时,引入动态异构信任度,用于对个体偏好表达的诚实程度进行建模;
所述动态异构交互偏好接受度算子,具体采用如下公式:
其中,paci∈(0,1]为控制个体Ai接受度降低速度的参数,t为时间,Aci(0)为动态异构交互偏好接受度初始值;
所述动态异构信任度的计算,具体采用如下公式:
其中,pa∈(1,+∞)表示信任度变化控制参数,cri表示临界值参数矩阵,元素criij∈[0,1]表示计算个体Ai与Aj之间信任度时的临界值参数,其与Ai的有界置信阈值εi结合使用充当信任度发生变化的临界条件值,dij(t)表示个体Ai认为的与Aj之间的偏好差距。
5.如权利要求4所述的一种基于动态信任感知的服务偏好预测系统,其特征在于,所述异构有界置信阈值具体为:设定异构有界置信阈值向量,向量中的每个元素表示某一个体到其他个体的有界置信阈值。
6.如权利要求4所述的一种基于动态信任感知的服务偏好预测系统,其特征在于,所述动态异构交互偏好接受度的计算,具体为:确定动态异构交互偏好接受度与演化时间的映射关系,基于所述映射关系确定个体的接受度。
7.一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-3任一项所述的一种基于动态信任感知的服务偏好预测方法。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-3任一项所述的一种基于动态信任感知的服务偏好预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110872246.8A CN113537622B (zh) | 2021-07-30 | 2021-07-30 | 基于动态信任感知的服务偏好预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110872246.8A CN113537622B (zh) | 2021-07-30 | 2021-07-30 | 基于动态信任感知的服务偏好预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537622A CN113537622A (zh) | 2021-10-22 |
CN113537622B true CN113537622B (zh) | 2022-04-29 |
Family
ID=78121625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110872246.8A Active CN113537622B (zh) | 2021-07-30 | 2021-07-30 | 基于动态信任感知的服务偏好预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537622B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113987261B (zh) * | 2021-11-08 | 2023-07-18 | 烟台大学 | 一种基于动态信任感知的视频推荐方法及系统 |
CN116304279B (zh) * | 2023-03-22 | 2024-01-26 | 烟台大学 | 基于图神经网络的用户偏好演化主动感知方法及系统 |
CN115994780B (zh) * | 2023-03-23 | 2023-06-16 | 青岛网信信息科技有限公司 | 一种用户针对性高的营销平台系统 |
CN116484113B (zh) * | 2023-04-12 | 2023-09-19 | 烟台大学 | 一种基于动态信任感知的群体观点预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408643A (zh) * | 2014-10-30 | 2015-03-11 | 西北大学 | 一种行为感知偏好获取系统及其获取方法 |
CN109190040A (zh) * | 2018-08-31 | 2019-01-11 | 合肥工业大学 | 基于协同演化的个性化推荐方法及装置 |
WO2020092488A1 (en) * | 2018-11-01 | 2020-05-07 | Netflix, Inc. | Techniques for recommending items to users |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7739280B2 (en) * | 2006-03-06 | 2010-06-15 | Veveo, Inc. | Methods and systems for selecting and presenting content based on user preference information extracted from an aggregate preference signature |
US10542043B2 (en) * | 2012-03-08 | 2020-01-21 | Salesforce.Com.Inc. | System and method for enhancing trust for person-related data sources |
CN103412918B (zh) * | 2013-08-08 | 2016-07-06 | 南京邮电大学 | 一种基于服务质量和声誉的服务信任度评估方法 |
CN106097048A (zh) * | 2016-06-06 | 2016-11-09 | 四川大学 | 基于社交网络的推荐算法 |
KR102285964B1 (ko) * | 2019-06-11 | 2021-08-03 | 이현환 | 선호도 평가 방법 및 시스템 |
WO2021011036A1 (en) * | 2019-07-16 | 2021-01-21 | Hrl Laboratories, Llc | C0ntrolling a bounded confidence opinion model with a dynamic population |
CN112700342B (zh) * | 2020-12-29 | 2022-09-13 | 四川大学 | 社交媒体信息真实性的个性化评分预测模型及预测方法 |
-
2021
- 2021-07-30 CN CN202110872246.8A patent/CN113537622B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408643A (zh) * | 2014-10-30 | 2015-03-11 | 西北大学 | 一种行为感知偏好获取系统及其获取方法 |
CN109190040A (zh) * | 2018-08-31 | 2019-01-11 | 合肥工业大学 | 基于协同演化的个性化推荐方法及装置 |
WO2020092488A1 (en) * | 2018-11-01 | 2020-05-07 | Netflix, Inc. | Techniques for recommending items to users |
Also Published As
Publication number | Publication date |
---|---|
CN113537622A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113537622B (zh) | 基于动态信任感知的服务偏好预测方法及系统 | |
Murayama et al. | Summary-statistics-based power analysis: A new and practical method to determine sample size for mixed-effects modeling. | |
CN109902708B (zh) | 一种推荐模型训练方法及相关装置 | |
Chesher et al. | An instrumental variable model of multiple discrete choice | |
Moodie et al. | Estimating optimal dynamic regimes: Correcting bias under the null | |
JP7140410B2 (ja) | 予測システム、予測方法および予測プログラム | |
Phiri | Nonlinear impact of inflation on economic growth in South Africa: a smooth transition regression analysis | |
CN106485585A (zh) | 用于等级评定的方法及系统 | |
Wang et al. | Using ordinal data to estimate cardinal values | |
Pereira et al. | A metamodel for estimating error bounds in real-time traffic prediction systems | |
CN113889262A (zh) | 基于模型的数据预测方法、装置、计算机设备和存储介质 | |
CN114840375A (zh) | 一种半导体存储产品的老化性能测试方法及系统 | |
Rosenblatt et al. | Counterfactual fairness is basically demographic parity | |
CN111310122A (zh) | 一种模型的数据处理方法、电子设备及存储介质 | |
CN116562836B (zh) | 多维迫选题性格测验的方法、装置、电子设备和存储介质 | |
CN112422590A (zh) | 基于主动学习的网络流量分类方法及装置 | |
GB2583176A (en) | Prediction device, prediction program, and prediction method for predicting human judgments | |
CN113987261B (zh) | 一种基于动态信任感知的视频推荐方法及系统 | |
Pellegrino | THE APPLICATION OF DRIVERS'COGNITIVE RELIABILITY USING FUZZY TECHNIQUES | |
CN113393023B (zh) | 模具质量评估方法、装置、设备及存储介质 | |
Luo et al. | Statistical tests for multiplicative consistency of fuzzy preference relations: A Monte Carlo simulation | |
CN114139601A (zh) | 一种对电力巡检场景人工智能算法模型的评估方法及系统 | |
CN106447044A (zh) | 基于Shapley值和交互作用指标的风险评估方法 | |
CN112804304A (zh) | 基于多点输出模型的任务节点分配方法、装置及相关设备 | |
Davies et al. | Modelling dichotomously marked muscle fibre configurations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |